Ornith-1.0：当自举微调遇上Agent编程，开源模型又进化了

起因：一个开源Agent编程模型的意外惊喜 Simon Willison，这位开源工具大神，最近在博客里分享了他对 Ornith-1.0 的初体验。这个由新团队 DeepReinforce 发布的模型，直接瞄准了 Agentic Coding 这个前沿场景，而且它不是从零训练，而是通过自举（self-scaffolding）的方法，在 Gemma 4 和 Qwen 3.5 的基础上微调而来。这引出了一个有意思的话题：当开源基础模型越来越强，我们能否通过巧妙的组合和二次训练，打造出专为 Agent 设计的模型？

拆解：为什么 Ornith-1.0 特别？ Ornith-1.0 并不只是又一个编程模型。它的核心设计目标是“自举”，也就是让模型在代码生成、工具调用、多步推理中能够自我纠错和推进任务。这体现在它强大的 agent harness 能力上：Simon 用 LM Studio 本地运行 35B 版本，让它在一个 Datasette 代码库里“找出解码 actor cookie 的代码”，接着又让它“找到点击按钮后打开插入对话框的代码”。模型不仅准确完成了任务，还流畅地调用了多次工具。更让人惊讶的是，它甚至能生成复杂的 SVG 绘图，虽然鹈鹕的脚有点扭曲，但形象跃然纸上，而且推理速度达到了 103 tokens/秒。

技术上，这个模型巧妙避开了许可的坑。Gemma 4 是 Apache 2.0，Qwen 3.5 也是 Apache 2.0，组合微调完全合法。这为开源社区提了个醒：未来的模型创新不必总是从头训练，选择许可友好的基座进行二次开发，可能是一条更快、更合规的路径。

趋势洞察：Agent 模型正在走向“专精化” Ornith-1.0 的出现揭示了一个深层趋势：通用大模型竞赛之后，针对特定工作流的“Agent 模型”正在崛起。这类模型不再追求无所不知，而是专注于与工具交互、理解代码库、执行多步操作。就像 Devin 等商业产品背后的模型一样，Ornith-1.0 展示出开源社区也能快速跟上，甚至通过更开放的许可和本地部署优势，吸引那些对数据隐私和成本敏感的开发者。

实用价值：你可以怎么用？ 如果你是一名开发者，Ornith-1.0 提供了几个立即可行的方向：第一，在本地运行 Agent 编码助手，避免 API 延迟和费用；第二，配合 Pi 等终端工具，直接在命令行里让 AI 帮你探索大型代码库；第三，作为自己 Agent 应用的基座模型，进行二次微调。Simon 分享的 GGUF 量化版本只需 20GB 显存，消费级显卡也能跑起来。当然，35B 模型的能力还比不上 GPT-4，但在特定任务上已经足够实用。

反常识：组合模型的许可不是障碍，而是新生态的起点 很多人以为开源模型的许可乱七八糟，组合使用容易踩雷。但 Ornith-1.0 证明，只要你关注许可证的兼容性，Apache 2.0 这样的宽松许可完全可以支持模型的二次创新。这其实为未来的“模型混搭”打开了大门——你可以像组合软件库一样组合模型权重，快速构建垂直领域的最佳实践。

原文地址: Ornith-1.0: Self-Scaffolding LLMs for Agentic Coding